HyRF：高质量新视角合成的内存高效混合辐射场
计算机视觉与模式识别
2025-09-24 v2
摘要
最近，3D 高斯溅写（3DGS）作为 NeRF 类方法的强大替代方案，能够通过显式可优化的 3D 高斯实现实时高质量的新视角合成。然而，3DGS 因依赖于建模视角相关效应和各向异性形状的每个高斯的参数而产生显著的内存开销。虽有近期工作通过神经场压缩 3DGS，但这些方法难以捕捉高频空间参数变化，导致细节重建退化。我们提出混合辐射场（HyRF），一种新颖的场景表示方法，融合显式高斯与神经场的优势。HyRF 将场景分解为：（1）仅存储关键高频参数的紧凑显式高斯集合，（2）预测剩余属性的网格化神经场。为提升表征能力，我们引入解耦神经场架构，分别建模几何（尺度、不透明度、旋转）与视角相关颜色。此外，我们提出混合渲染方案，将高斯溅写与神经场预测的背景合成，解决远距离场景表示的局限。实验表明，HyRF 在渲染质量上实现了最先进水平，同时将模型大小比 3DGS 缩小超过 20 倍，保持实时性能。我们的项目页面地址为 https://wzpscott.github.io/hyrf/。
引用
@article{arxiv.2509.17083,
title = {HyRF: Hybrid Radiance Fields for Memory-efficient and High-quality Novel View Synthesis},
author = {Zipeng Wang and Dan Xu},
journal= {arXiv preprint arXiv:2509.17083},
year = {2025}
}
备注
Accepted at NeurIPS 2025